支持信息
算法详细信息
我们使用以下算法更新可能性:
初始化感染时间我1.初始感染我κ=1和所有其他观察到的侵染初始化于我=2.所有其他感染设置为我=∞.
初始化t吨检查,我和R(右)我.如果房子我已进行检查和或处理,这些设置为相应的时间。所有日期都转换为自最初感染以来的时间,使用90天的间隔。例如,如果house我在最初侵染200天后被侵染,此侵染时间被视为我我=3.如果房屋尚未经过检查和处理,t吨insp中,我=R(右)我=∞.T型最大值设置为今天。
根据感染时间初始化每个受感染房屋的昆虫数量我1。这是使用Beverton-Holt模型完成的:
更换b我,t吨insp公司,我=B类我,t吨insp公司,我,观察到的昆虫数量。
更新第页米+1.提议第页⋆∼正常(第页米,0.05).更新所有昆虫数量b⋆给定u第页⋆唱贝弗顿-霍尔特模式。
R(右)=最小值(1,L(左)(第页⋆|我,β米,λt吨)L(左)(第页米|我米,β米,λt吨)第页(第页⋆)第页(第页米))
哪里第页是第页。我们定义第页∼伽马射线(一第页,b第页).
U型∼制服(0,1)
如果U型<R(右)然后第页米+1=第页⋆.否则,第页米+1=第页米.
更新β米+1.提议β⋆∼正常(β米,0.2)。建议限制为(0,1)。
R(右)=最小值(1,L(左)(β⋆|我米,第页米+1,λt吨)L(左)(β米|我米,第页米+1,λt吨)第页(β⋆)第页(β米))
哪里第页是β的先验分布。我们定义第页∼贝塔(一β,bβ).
U型∼制服(0,1)
如果U型<R(右)然后β米+1=β⋆.否则,β米+1=β米.
建议移动、添加或移除感染,每种可能性相等。
要移动感染:
更新一、从受感染的房屋集中统一选择,N个我.如果我尚未检查,建议新的感染时间我我⋆∼制服(我k个+1,T型最大值).如果我已进行检查,但当时未发现昆虫,建议新的侵染时间我我⋆∼制服(t吨insp公司,我,T型最大值).如果我已进行检查,当时至少发现一种昆虫,建议新的侵染时间我我⋆∼制服(我k个+1,t吨insp公司,我).
R(右)=最小值(1,L(左)(我⋆|β米+1,第页米+1,λt吨)L(左)(我米|β米+1,第页米+1,λt吨))
U型∼制服(0,1)
如果U型<R(右)然后我米+1=我⋆除此之外,我米+1=我米.如果我米+1=我⋆,更新b我(所有昆虫计数对应于这种侵扰),以便我我,b我1=1.
要添加感染:
如果我尚未检查,建议我我⋆∼制服(我k个+1,T型最大值).如果我已检查,建议我我⋆∼制服(t吨insp公司,我,T型最大值).提议b我⋆∼泊松(λt吨−我我⋆).
R(右)=最小值(1,L(左)(我⋆|第页米,β米,λt吨)L(左)(我米|第页米+1,β米+1,λt吨)∗第页我(我我⋆)∗1q个(b我⋆|λt吨−我我))
哪里第页我是房屋的先验概率我受到感染q个是昆虫数量的建议分布b我(泊松)。
U型∼制服(0,1)
如果U型<R(右)然后我米+1=我⋆.否则,我米+1=我米。如果添加了房子,则会添加相应的昆虫计数。
要清除感染:
提议我从一组神秘的侵扰(之前添加,但未观察到的房屋)中统一。
R(右)=最小值(1,L(左)(我⋆|第页米,β米,λt吨)L(左)(我米|第页米+1,β米+1,λt吨)∗1第页我(我我⋆)∗q个(b我⋆|λt吨−我我))
哪里第页我是房屋的先验概率我未经防疫处理且q个是昆虫数量的分布b我(泊松)。
U型∼制服(0,1)
如果U型<R(右)然后我米+1=我⋆.还必须删除与已清除的虫害相对应的昆虫计数。否则,我米+1=我米.
在现场实施中,第页因此省略了步骤5。一般来说,参数的接受率在15%到60%之间,包括可逆跳跃组件中的参数。感染的后验概率在0%到20%之间,但大多保持在10%以下。
参数估计很快收敛,但很难评估感染后验概率的收敛性。我们通过绘制RJMCMC连锁店之间每家房屋的排名,直观地评估了趋同性(图5). 排名是一致的,排名靠前的公司在所有连锁店中排名都很高。然而,特定房屋的具体排名因连锁店而异。典型的收敛图如下所示。一些公司似乎陷入了高排名的困境,每个连锁店都在其他连锁店中被选中。通过使用连锁店中每家房屋的中位数排名,我们希望将这对检查的影响降到最低。
模拟代码位于
https://github.com/ebillig/Search-Strategy(https://github.com/ebilling-Search-Stritegy).
其他详细信息
对于所有模拟和数据应用,我们固定了承载能力,K(K)=1000。我们进行了一些敏感性分析,以评估该假设的重要性。我们在一个地区经营了3家RJMCMC连锁店,拥有5种不同的承载能力,K(K)={100, 500, 800, 1000, 1500}. 我们获得了每家连锁店的中位数排名K(K),然后相互绘制排名(图5). 我们可以看到,排名的异质性与每个承载能力内的链条之间的异质性相似。有趣的是,排名在K(K)=1000和K(K)=1500.
工具书类
Andersson,H.和T.Britton。2012随机流行病模型及其统计分析, 151. 纽约:Springer Science&Business Media。在谷歌学者中搜索
Barbu,C.M.、A.M.Buttenheim、M.L.Hancco Pumahuanca、J.E。昆塔尼拉·卡尔德隆(Quintanilla Calderón)、R.Salazar、M.Carrión、A.C.Rospigliossi、F.S.Malaga Chavez、K.O.Alvarez、J.G。科内霍·德尔·卡皮奥(Cornejo del Carpio)、C.Náquira和M.Z.Levy。2014年,“秘鲁城市感染性三疣虫控制运动期间的残留感染和重新克隆”新发传染病20(12):2055,doi:https://doi.org/10.3201/eid2012.131820.在谷歌学者中搜索公共医学公共医学中心
Barbu,C.M.、A.Hong,J.M。曼恩,D.S.斯莫尔,J.E。Quintanilla Calderón、K.Sethuraman、V.Quispe-Machaca、J.Ancca-Juárez、J.G。科内霍·德尔·卡皮奥(Cornejo del Carpio)、F.S.Málaga Chavez、C.Náquira和M.Z.Levy。2013.“城市街道对城市病媒的影响”计算生物学9(1):e1002801,https://doi.org/10.1371/journal.pcbi.1002801.在谷歌学者中搜索公共医学公共医学中心
Barbu,C.M.、K.Sethuraman、E.M.Billig和M.Z.Levy。2018年,“通过合成可能性对生物入侵进行两尺度扩散估计”生态地理学41 (4): 661–72,https://doi.org/10.1111/ecog.02575.在谷歌学者中搜索公共医学公共医学中心
Beaumont,M.A.,2010年。“进化与生态学中的近似贝叶斯计算”生态学、进化和系统学年鉴41: 379–406,https://doi.org/10.1146/annurev-ecolsys-102209-144621.在谷歌学者中搜索
Becker,N.G.1989年。传染病数据分析, 33. 纽约:CRC出版社。在谷歌学者中搜索
Beverton,R.J.和S.J.Holt。1993被开发鱼类种群的动态, 11. 多德雷赫特:施普林格科技与商业媒体。10.1007/978-94-011-2106-4在谷歌学者中搜索
Billig Rose,E.,K.Lee,J.A。Roy,D.Small,M.E.Ross,R.Castillo Neyra和M.Z.Levy。2018年,《城市风险地图:将街道纳入地质统计模型》空间和时空流行病学27:47–59,doi:https://doi.org/10.1016/j.sste.2018.08.003.在谷歌学者中搜索公共医学公共医学中心
Csillery,K.、M.G.Blum、O.E.Gaggiotti和O.Francois。2010年,“实践中的近似贝叶斯计算(ABC)”生态与进化趋势25 (7): 410–18,https://doi.org/10.1016/j.tree.2010.04.001.在谷歌学者中搜索公共医学
Eddelbuettel,D.、R.François、J.Allaire、J.Chambers、D.Bates和K.Ushey。2011.“Rcpp:无缝R和C++集成”统计软件杂志40 (8): 1–18,https://doi.org/10.18637/jss.v040.2008.在谷歌学者中搜索
吉布森、G·J和E·伦肖。1998年,“使用马尔可夫链方法估计随机区间模型中的参数”数学医学与生物学15 (1): 19–40,https://doi.org/10.1093/imammb/15.1.19.在谷歌学者中搜索
格林,P.J.1995。“可逆跳跃马尔可夫链蒙特卡罗计算和贝叶斯模型确定。”生物特征82 (4): 711–32,https://doi.org/10.1093/biomet/82.4.711.在谷歌学者中搜索
Gutfraind,A.,J.K。彼得森、E.Billig Rose、C.Arevalo-Nieto、J.Sheen、G.F.Condori-Luna、N.Tankasala、R.Castillo-Neyra、C.Condori-Pino、P.Anand、C.Naquira-Velarde和M.Z.Levy。2018.“整合证据、模型和地图以加强恰加斯病媒介监测”被忽视的热带病12 (11): 1–25,https://doi.org/10.1371/journal.pntd.0006883.在谷歌学者中搜索
Hong,A.E.、C.M.Barbu、D.S.Small和M.Z.Levy,以及阿雷基帕查加斯病工作组. 2015. “在存在监测误差和数据缺失的情况下绘制疾病传播昆虫的空间分布图。”英国皇家统计学会杂志:A辑178 (3): 641–58,https://doi.org/10.1111/rssa.12077.在谷歌学者中搜索
Ionides,E.L.、A.Bhadra、Y.Attchadé和A.King。2011.“迭代过滤”统计年刊39 (3): 1776–802,https://doi.org/10.1214/11-aos886.在谷歌学者中搜索
朱厄尔、C.P.、T.Kypraios、R.Christley和G.O.Roberts。2009年a。“新发传染病实时风险预测的新方法:H5N1禽流感病例研究”预防兽医91 (1): 19–28,https://doi.org/10.1016/j.prevated.2009.05.019.在谷歌学者中搜索
朱厄尔、C.P.、T.Kypraios、P.尼尔和G.O.罗伯茨。2009年b。“新兴传染病的贝叶斯分析”贝叶斯分析4 (3): 465–96,https://doi.org/10.1214/09-ba417.在谷歌学者中搜索
Knudsen、A.B.和R.Slooff。1992年,“快速城市化中的媒介传播疾病问题:媒介控制的新方法”世界卫生组织公报70 (1): 1.在谷歌学者中搜索
O'Neill,P.D.和G.O.Roberts。1999.“部分观测随机流行病的贝叶斯推断”英国皇家统计学会杂志:A辑162 (1): 121–9,https://doi.org/10.1111/1467-985X.00125.在谷歌学者中搜索
奥尼尔,P.D.2002。“使用马尔可夫链蒙特卡罗方法对随机流行病模型进行贝叶斯推断的教程介绍。”数学生物科学180 (1): 103–14.10.1016/S0025-5564(02)00109-8在谷歌学者中搜索
Palomino,M.、P.Villaseca、F.Cárdenas、J.Ancca和M.Pinto。2008年,“Eficacia y residualidad de dos spircidas piretroides contra trioma infactans en tres tipos de viviendas:Evaluación de capo en Arequipa,Perú。”Revista Peruana de Medicina实验性沙龙25 (1): 9–16.在谷歌学者中搜索
J.E.拉比诺维奇。1972年,《实验室条件下三足类昆虫的生命统计》,I.感染三足类医学昆虫学杂志9 (4): 351–70,https://doi.org/10.1093/jmedent/9.4.351.在谷歌学者中搜索公共医学
Ross,S.M.,1996年。随机过程纽约:John Wiley&Sons。在谷歌学者中搜索
Tarleton,R.L.,R.Reithinger,J.A。Urbina、U.Kitron和R.E.Gürtler。2007年,“查加斯病的挑战——前景还是希望的曙光?”公共科学图书馆医学4(12):e332,https://doi.org/10.1371/journal.pmed.0040332.在谷歌学者中搜索公共医学公共医学中心
Varley、G.C.、G.R.Gradwell和M.P.Hassell。1974.昆虫种群生态学:一种分析方法伯克利和洛杉矶:加利福尼亚大学出版社。在谷歌学者中搜索
Weaver,S.C.2013年。“城市化和动物性脊髓灰质炎的地理扩张:预防机制和潜在战略”微生物学进展21 (8): 360–3,https://doi.org/10.1016/j.tim.2013.03.003.在谷歌学者中搜索公共医学公共医学中心
伍德,S.N.2010。“噪声非线性生态动力系统的统计推断”自然466 (7310): 1102–4,https://doi.org/10.1038/nature09319.在谷歌学者中搜索公共医学